[发明专利]一种确定文本视觉相似度的方法

权利要求书

1.一种确定文本视觉相似度的方法，其特征在于实现步骤如下：

(1)计算两个字符串直接的视觉距离，计算公式如下：

VD(α[t+1,l(a)],β[t+1,l(β)])=θ×min(x,y,z)+0ifα1(a)=βl(β)1ifα1(a)≠βl(β)]]>

其中x=VD(α[t+1,l(α)-1],β[t+1,l(β)])y=VD(α[t+1,l(α)],β[t+1,l(β)])z=VD(α[t+1,l(α)-1],β[t+1,l(β)-1)]]>

计算两个字符串之间可能的视觉距离最大值：

MVD(α[t+1,l(α)],β[t+1,l(β)])=Σk=0max(l(α),l(β)-t-1)θk=1-θmax(l(α),l(β)-t)1-θ]]>

其中α、β表示两个字符串，l(·)表示字符串的长度，θ表示每个相邻字符之间的权重因子的比值；

(2)根据步骤(1)中的两个字符串直接的视觉距离计算两个字符串视觉相似度，计算公式如下：

VS(A,B)=0ifα[1,t]≠β[1,t]1-VD(α(t+1,l(a)),β(t+1),l(β))MVD(α(t+1,l(a)),β(t+1),l(β))otherwise]]>

VD表示上文中计算出来的邮件地址字符串之间的视觉距离，MVD表示字符串α、β之间理论上视觉相似度的最大值；

(3)将该邮件的收件人地址与用户历史发件记录的联系人列表的邮件地址计算得到的视觉相似度作为分类器中的VESA，Visual Similarity between Email Addresses)特征，来检测特定字符串如形式类似于电子邮件地址的视觉相似度；

(4)每一封邮件计算得到对应的VESA特征，将VESA特征作为分类器的一个特征，利用随机森林分类器对安然数据集中所有发送邮件进行分类训练和测试，以用于检测误发邮件。

2.根据权利要求1所述的确定文本视觉相似度的方法，其特征在于：所述步骤(4)中采用安然数据集进行性能训练和测试时，将安然数据集分成三份，第一份统计所有邮件用户的发件人列表，第二份用作训练集，以用户生成随机森林分类器、第三份用作测试集，以用于测试分类器的性能；对训练集中每一封邮件，计算该发件人与其历史收件人所有的字符串视觉相似度，取其中的最大值作为该封邮件的VESA特征；然后再针对测试集中的每一封邮件，利用随机森林进行分类，得到邮件是否误发的分类结果。